Les flots normalisateurs sont une classe de modèles permettant une estimation flexible de la densité et un échantillonnage efficace de densités complexes en apprenant une transformation qui associe une variable aléatoire simple à la distribution cible via un réseau neuronal. Ces méthodes peuvent améliorer l’inférence a posteriori dans les modèles hiérarchiques bayésiens, en particulier lorsque la vraisemblance est intraitable, rendant l’évaluation directe de la densité impossible et limitant l’applicabilité de nombreuses méthodes traditionnelles. Nous considérons un cadre où des échantillons peuvent être obtenus à partir d’une fonction de la vraisemblance à l’aide d’un logiciel préentraîné, bien que la forme mathématique explicite de cette fonction soit inconnue. Pour surmonter cette difficulté, nous proposons un algorithme en deux étapes exploitant les flots normalisateurs pour approximer la densité postérieure et générer des échantillons. Nous évaluons l’efficacité de cette approche en la comparant aux méthodes existantes, en mettant en avant ses avantages potentiels pour traiter des postérieurs intraitables.